基于模拟退火策略的混沌优化算法的模糊神经网络控制器的设计

提出了一种基于模拟退火策略的混沌优化算法的模糊神经网络控制器,该模糊控制器由4层BP神经网络表示,控制器参数由混沌粗搜索与细搜索相结合的优化策略优化.对非线性对象的仿真表明了优化方法的有效性和可行性,且控制具有无振荡、超调小、响应快、调节时间短、结构简单、实现容易等特点.     

混沌优化模糊控制器在铝电解控制中的应用

设计了基于CAN总线的预焙铝电解槽计算机控制系统的总体方案及基于混沌优化的电解质温度模糊控制器。将混沌优化算法引入模糊控制器,采用混沌粗搜索与细搜索相结合的优化方法,对量化因子、比例因子及控制规则进行优化。利用该控制器实现对预焙铝电解槽的温度控制。实验结果表明,该方法能有效地实现模糊器参数和控制规则的在线优化,控制具有鲁棒性好、适应性强、精度高等优点,算法结构简单,容易实现,控制性能优于普通的模糊控制器。     

基于混沌搜索的模糊控制器参数最优设计

基于混沌变量，本文提出一种模糊控制器最优设计方案．离线优化采用混沌算法，将混沌因子引入到模糊控制器参数域的优化搜索中，用载波方式将优化变量转变成混沌变量，再利用混沌运动的遍历性和随机性直接寻优，得到模糊控制器参数的全局次优解．在线优化采用共轭梯度下降法，把混沌搜索后得到的全局次优值作为梯度下降搜索的初始值，实现混沌全局粗搜索和梯度下降局部细搜索相结合的优化目的，能很快找到模糊控制器参数的全局最优解．最后对算法的收敛性进行了证明．     

基于混沌遗传算法的模糊CMAC控制

分析CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力;针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用混沌遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整;仿真结果表明了该方法的可行性和有效性.     

模糊神经网络的混沌优化算法设计

提出了一种基于混沌变量的多层模糊神经网络优化算法设计.离线优化部分采用混沌算法,将混沌变量引入到模糊神经网络结构和参数的优化搜索中,使整个网络处于动态混沌状态,根据性能指标在动态模糊神经网络中寻找较优的网络结构和参数.在线优化部分采用梯度下降法,把混沌搜索后得到的参数全局次优值作为梯度下降搜索的初始值,进一步调整模糊神经网络的参数,实现混沌粗搜索和梯度下降细搜索相结合的优化目的,能较快地找到全局最优解.最后对二阶延迟系统进行仿真,结果表明混沌优化方法控制精度高、超调小、响应快和鲁棒性强.     

基于混沌变量的神经网络自适应控制系统的优化设计

基于混沌变量，提出一种神经网络自适应控制系统的优化设计方案。采用混沌状态变量优化神经网络辨识器和控制器权参数，实现混沌粗搜索和局部细搜索相结合，搜索出控制系统参数的全局最优值,具有全局性、快速性、并行性。仿真实验表明采用该方案对强非线性对象的控制具有精度高、超调小、响应快、调节时间短等优点。     

非线性系统模糊神经网络控制的改进策略

针对以模糊神经网络自适应方法为核心的不确定非线性系统控制问题, 以常规静态模糊神经网络控制结构为基础, 分别就控制器、辨识器及优化算法3个方面展开改进研究. 以一种改进结构的动态PID型模糊神经网络为控制器, 最小二乘支持向量机为辨识器构成控制系统. 利用带混沌搜索的量子粒子群算法离线优化结合在线误差反传微调的寻优策略优化控制器参数, 带混沌扰动的粒子群离线优化支持向量机的核参数, 并通过对系统稳定性的讨 论将改进的控制系统逐步完善. 对某热交换对象模型的数值仿真验证了该改进方法的可行性和有效性.     

基于CAFSA-FNN的扭矩加载系统控制研究*

针对磁粉制动器扭矩加载系统的非线性和滞后性,提出了一种基于混沌人工鱼群-模糊神经网络(CAFSA-FNN)PID控制器。该控制器采用基于Mamdani模型的模糊神经网络来整定PID控制器的控制参数,并结合混沌人工鱼群算法离线粗调和BP算法在线细调来学习和调整模糊神经网络的参数。利用Matlab进行离线仿真优化,在此基础上使用PID控制器、模糊神经网络控制器、人工鱼群-模糊神经网络控制器以及本文设计的控制器进行磁粉制动器扭矩加载实验,实验结果证明了该控制器的稳定性、快速性和有效性,能够解决滞后性问题。     

基于一种混沌BP算法的神经模糊控制器的优化

在模糊控制器设计问题的研究中,结合神经网络和模糊控制的优点,设计了一种全网络化的模糊控制器,使模糊推理的实现过程网络化,清晰化.针对BP算法学习速度慢、易陷入局部最小的缺点,引入混沌思维,提出了基于混沌Logistic方程的BP混合学习算法(CBP),将用于神经模糊控制器参数的优化设计中,使设计的神经模糊控制器具有更优的性能.通过仿真对算法及控制器进行验证,仿真结果表明,上述算法能有效地优化神经模糊控制器的参数和结构,所设计的神经模糊控制器具有较好的性能.     

一种新型混沌优化的模糊PID控制器设计

提出一种最优模糊PID控制器的设计．该方法将混沌因子引入到模糊PID控制器参数域的全局优化搜索方法中．在优化过程中不断缩小寻优区间以提高搜索效率，能较快搜索到全局最优解。最后．对延迟的三阶系统进行仿真．并与Ziegler-Nichols规则的PID控制相比较．控制结果说明该方法是有效可行的。     

基于混沌搜索的二级倒立摆模糊控制器设计

利用混沌优化的模糊控制方法对二级倒立摆系统进行闭环控制。用混沌算法优化控制器的参数,首先将混沌变量引入到模糊控制器的参数域,并进行全局范围内直接寻优,当获得全局近似最优解后,再缩小寻优区间,根据性能指标,在次优解附近继续寻优,得到全局最优参数。控制结果说明该方法是有效可行的。     

Real-coded chaotic quantum-inspired genetic algorithm for training of fuzzy neural networks

In this paper, a novel approach to adjusting the weightings of fuzzy neural networks using a Real-coded Chaotic Quantum-inspired genetic Algorithm (RCQGA) is proposed. Fuzzy neural networks are traditionally trained by using gradient-based methods, which may fall into local minimum during the learning process. To overcome the problems encountered by the conventional learning methods, RCQGA algorithms are adopted because of their capabilities of directed random search for global optimization. It is well known, however, that the searching speed of the conventional quantum genetic algorithms (QGA) is not satisfactory. In this paper, a real-coded chaotic quantum-inspired genetic algorithm (RCQGA) is proposed based on the chaotic and coherent characters of Q-bits. In this algorithm, real chromosomes are inversely mapped to Q-bits in the solution space. Q-bits probability-guided real cross and chaos mutation are applied to the evolution and searching of real chromosomes. Chromosomes consisting of the weightings of the fuzzy neural network are coded as an adjustable vector with real number components that are searched by the RCQGA. Simulation results have shown that faster convergence of the evolution process in searching for an optimal fuzzy neural network can be achieved. Examples of nonlinear functions approximated by using the fuzzy neural network via the RCQGA are demonstrated to illustrate the effectiveness of the proposed method.     

一类非线性欠驱动系统的混沌优化LQ控制

提出了一种基于混沌优化线性二次最优控制器权矩阵参数的三级倒立摆控制方法;根据系统控制的目标,设计了一类适合多变量系统的优化性能指标函数;这类性能指标函数综合考虑三级倒立摆系统各个输出间的重要程度,以及动态特性和稳定性要求,结合文中的性能指标函数,首先利用混沌粗搜索得到控制器权矩阵参数的次优解,再在次优解的邻域内继续寻优,得到全局最优的权矩阵参数;利用这种方法得到的LQ控制器,有效地实现了对三级倒立摆的稳定控制。     

基于混沌变量的前向神经网络结构优化设计

提出一种关于多层前向神经网络结构的混沌优化设计方法。将混沌变量引入神经网络结构的优化搜索中，使得神经网络的隐层节点数以及所有权参数都处于混沌状态中，整个网络结构呈现为动态变化。从动态的神经网络结构中，根据性能指标来寻找一个全局最优或近似于全局最优的网络结构。仿真实验表明，采用该方案得到的神经网络结构模型对异或问题、非线性函数具有较高的逼近精度和较好的泛化能力。     

粒子群优化算法在Acrobot平衡控制中的应用

粒子群优化算法(PSO)是基于群体的演化算法,本质上是一种随机搜索算法,并能以较大概率收敛到全局最优。本文针对欠驱动Acrobot机械臂系统,利用模糊控制原理设计平衡控制器,运用粒子群算法对模糊控制器的量化因子进行在线优化,获得平衡控制器参数的最优值,以实现降低系统超调量,减少系统振荡和平衡时间的目的。仿真实验结果验证了该方法的有效性。     

基于遗传算法的模糊神经网络控制器设计及其稳定性分析

首先根据联结主义思想模糊控制器设计问题转化为对模糊神经网络参数的设计和优化,然后通过遗传算法对模糊神经网络的参数进行集中优化,得到了被控对象的一个最优或次优的控制器－模糊神经控制器,稳定性分析为此设计理论依据。